深海实验室

DeepLab:使用深卷积网、atrus卷积和完全连接的crf进行语义图像分割。在这项工作中,我们提出了语义图像分割与深度学习的任务,并做了三个主要的贡献,实验证明具有实质性的实用价值。我们首先用强大的卷积滤波器来突出预测。阿托鲁斯卷积允许我们显式地控制在深度卷积神经网络中计算特征响应的分辨率。它还允许我们有效地扩大过滤器的视野,以纳入更大的上下文,而不增加参数的数量或计算量。其次,我们提出了一种基于atrus空间金字塔池(atrus spatial pyramid pooling,ASPP)的多尺度鲁棒分割算法。ASPP以多种采样率和有效视场探测进入的卷积特征层,从而在多个尺度上捕获对象和图像上下文。第三,结合DCNNs和概率图形模型的方法,改进了目标边界的定位。DCNNs中常用的最大池和下采样相结合实现了不变性,但对定位精度有一定的影响。我们通过将最终DCNN层的响应与一个完全连通的条件随机场(CRF)相结合来克服这一问题,通过定性和定量的方式来改善定位性能。我们提出的“DeepLab”系统在PASCAL VOC-2012语义图像分割任务中开创了最新的技术水平,在测试集中达到了79.7%的mIOU,并在其他三个数据集:PASCAL Context、PASCAL Person Part和Cityscapes上提出了结果。我们所有的代码都在网上公开。


zbMATH中的参考文献(参考文献26条,1标准件)

显示第1到第20个结果,共26个。
按年份排序(引用)
  1. 郭汝池;蒋佳华:基于直接采样法的深度神经网络求解电阻抗断层成像(2021)
  2. 贾、范;刘军;泰雪成:正则化卷积神经网络在语义图像分割中的应用(2021)
  3. 金德全;秦、紫嫣;杨慕容;陈鹏和:一种新的学习任务横向交互神经模型(2021)
  4. 哈特里,拉金德拉K.C。;凯塞里亚,布伦丹J。;卢一飞;肖光华;曹燕:用扩张卷积网络自动提取细胞核(2021)
  5. Mark Weber,Wang Huiyu Wang,Siyuan Qiao,Jun Xie,Maxwell D.Collins,Yukun Zhun,Liangzhe Yuan,Dahun Kim,Qihang Yu,Daniel Cremers,Laura Leal Taixe,Alan L.Yuille,Florian Schroff,Hartwig Adam,Liang Chieh Chen:DeepLab2:深层标记的TensorFlow库(2021)阿尔十四
  6. 王正阳;季水旺:平滑扩张卷积用于改进的稠密预测(2021)
  7. 伯曼,马克西姆;Blaschko,Matthew B.:具有可能子模约束的条件随机场的判别训练(2020)
  8. 赫蒂,迈克尔;帕雷斯基,洛伦佐;Visconti,Giuseppe:大数据聚类问题的平均场模型(2020)
  9. 卡尔西,贾斯普里特·辛格;阿扎姆,穆罕默德;Bouguila,Nizar:结合平均模板的半有界有限混合模型的彩色图像分割(2020)
  10. Lindeberg,Tony:基于级联耦合的尺度归一化微分表达式的可证明尺度协变连续分层网络(2020)
  11. 罗苏,拉杜·亚历山德罗;昆泽尔,简;监督纹理映射(语义映射:通过语义网格进行的半监督纹理映射)
  12. 瓦拉达,阿比纳夫;莫汉,罗希特;Burgard,Wolfram:多模式语义分割的自监督模型自适应(2020)
  13. 王法强;赵翠翠;刘军;黄海阳:基于自适应相似性和空间正则化的变分图像分割模型(2020)
  14. 王翔;刘四飞;马惠民;杨明萱:基于迭代亲和学习的弱监督语义分割(2020)
  15. 王勇;张东方;戴光明:利用改进的U-Net对高分辨率卫星图像进行分类(2020)
  16. 庄惠平;林志平;Toh,Kar Ann:训练具有低内存核和距离投影的多层网络(2020)
  17. 法尔科,亚历山德拉;Bragantini,Jordão:最佳连通性在图像分割中的作用:算法能在分割过程中学习物体信息吗?(2019年)
  18. 范玉伟;费利乌·法巴,乔迪;林,林;英,乐星;Zepeda-Núñez,Leonardo:基于分层嵌套基的多尺度神经网络(2019)
  19. 范玉伟;林,林;英,乐星;Zepeda-Núñez,Leonardo:基于层次矩阵的多尺度神经网络(2019)
  20. 范玉伟;Orozco Bohorquez,辛迪;Ying,Lexing:BCR网络:基于非标准小波形式的神经网络(2019)